07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions

这篇具有很好参考价值的文章主要介绍了07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

前面定义了矩阵的列空间和零空间,那么如何求得这些子空间呢?

1. 计算零空间 Nullspace

A的零空间即满足Ax=0的所有x构成的向量空间

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

对于矩阵A进行“行操作”并不会改变Ax=b的解,因此也不会改变零空间 unchanged

第一步消元:

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

echelon 阶梯型 pivot columns and free columns

rank of A = # of pivots r=2 = # of pivot variables 

n-r = 4-2 =# of free variables

2. 特解 Special solutions 

当我们将系数矩阵变换为上三角阵U时,就可以用回代求得方程Ux=0的解--x1, x3可以通过回代得到 UX=0

对自由变量(free variable)x2和x4我们可以进行赋值

例如令x2=1而x4=0

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

可得一解

x=07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

取自由变量中x2=0而x4=1

可得到另一解

x=07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

矩阵A的零空间就是这些“特解” special solution 向量的线性组合所构成的向量空间

x=c07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能+d07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能 which is a line

n-r=特解的数目=零空间的维数

3. 行最简阶梯矩阵 Reduced row echelon form (rref)

rref(A)

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

notice that  = I is in pivot rows/cols

在矩阵中主元行和主元列的交汇处存在一个单位阵。通过“列交换”,可以将矩阵R中的主元列集中在左侧,从而在左上角形成这个单位阵,而将自由列集中在矩阵的右侧。如果矩阵A中的某些行是线性相关的,则在矩阵R的下半部分就会出现一些完全为0的行向量

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

rref form

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

nullspace matrix ( columns = special solutions)

RN=0

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能

Xpivot=-FXfree

eg.

07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions,线性代数,线性代数,机器学习,人工智能文章来源地址https://www.toymoban.com/news/detail-734216.html

到了这里,关于07 MIT线性代数-求解Ax=0:主变量,特解 pivot variables, special solutions的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 06 MIT线性代数-线性无关,基和维数Independence, basis, and dimension

    Suppose A is m by n with mn (more unknowns than equations) Then there are nonzero solutions to Ax=0  Reason: there will be free variables!  A 中具有至少一个自由变量,那么 A x = 0 一定具有非零解。 A 的列向量可以线性组合得到零向量,所以 A 的列向量是线性相关的。 independence:vectors X1, X2,...,Xn are independ

    2024年02月08日
    浏览(43)
  • MIT - 线性代数-LU_LDU分解|单位矩阵

    U为消元结果(行变换),L为行变换矩阵的逆矩阵 D为主元(Pivot)A的主对角线元素,在这里为2、3,U为对D做列变换使其得到LU中的U 为什么要写成A=LU而不是E21A=U呢?因为A=LU中L只包含行变换信息,E21A=U还有额外的数字 2×2 2 3×3 3×2=6 4×4 4×3×2=24 结论:单位矩阵的逆=转置矩阵(

    2024年01月23日
    浏览(48)
  • 05 MIT线性代数-转置,置换,向量空间Transposes, permutations, spaces

    execute row exchanges becomes PA = LU for any invertible A Permutations P = identity matrix with reordered rows m=n (n-1) ... (3) (2) (1) counts recordings, counts all nxn permuations 对于nxn矩阵存在着n!个置换矩阵 ,  对称矩阵    why? take transpose  向量空间对线性运算封闭,即空间内向量进行线性运算得到的向量仍在

    2024年02月08日
    浏览(56)
  • MIT线性代数笔记-第27讲-复数矩阵,快速傅里叶变换

    对于实矩阵而言,特征值为复数时,特征向量一定为复向量,由此引入对复向量的学习 求模长及内积 假定一个复向量 z ⃗ = [ z 1 z 2 ⋮ z n ] vec{z} = begin{bmatrix} z_1 \\\\ z_2 \\\\ vdots\\\\ z_n end{bmatrix} z = ​ z 1 ​ z 2 ​ ⋮ z n ​ ​ ​ ,其中 z 1 , z 2 , ⋯   , z n z_1 , z_2 , cdots , z_n z 1 ​

    2024年02月05日
    浏览(52)
  • 10 MIT线性代数-四个基本子空间 four fundamental subspaces

    列空间  Column space C( A ) in  零空间 Nullspace N( A ) in  行空间 Row space = all combs of rows = all combs of columns of AT= C( AT ) in  左零空间 Left nullspace = Nullspace of AT = N(AT) = left nullspace of A in  列空间 dim C(A)=r 零空间  dim N( A )=n-r 行空间 different col space but same row space R 的前r行阶梯型“行向

    2024年02月07日
    浏览(37)
  • MIT_线性代数笔记:第 26 讲 复矩阵;快速傅里叶变换

    实矩阵也可能有复特征值,因此无法避免在矩阵运算中碰到复数,本讲学习处理复数矩阵和复向量。 最重要的复矩阵是傅里叶矩阵,它用于傅里叶变换。而对于大数据处理快速傅里叶变换(FFT)显得更为重要,它将傅立叶变换的矩阵乘法中运算的次数从 n 2 n^2 n 2 次降至 n l

    2024年01月17日
    浏览(44)
  • 06 MIT线性代数-列空间和零空间 Column space & Nullspace

    Vector space requirements v+w and c v are in the space, all combs c v + d w are in the space 但是“子空间”和“子集”的概念有区别,所有元素都在原空间之内就可称之为子集,但是要满足对线性运算封闭的子集才能成为子空间 中 2 subspaces L: line is a subspace P: Plane through [0,0,0]T is a subspace of   =

    2024年02月08日
    浏览(43)
  • 04 MIT线性代数-矩阵的LU分解 Factorization into A=LU

    目的: 从矩阵的角度理解高斯消元法, 完成 LU 分解得到 A = LU U 为上三角阵(Upper triangular matrix),  L 为下三角阵(Lower triangular matrix), 通过分解得到对角阵 D (diagonal matrix) 设定一组消元矩阵,其中 E31 为单位阵 I ,其它两个消元矩阵如下: row3 -5 newrow2 = row3 -5( row2 -2 row1 )= row3 -

    2024年02月07日
    浏览(41)
  • 线性代数:线性方程求解、矩阵的逆、线性组合、线性独立

    本文参考www.deeplearningbook.org一书第二章2.3 Identity and Inverse Matrices 2.4 Linear Dependence and Span 本文围绕 线性方程求解 依次介绍矩阵的逆、线性组合、线性独立等线性代数的基础知识点。 本文主要围绕求解线性方程展开,我们先把线性方程写出来,方程如下: 其中,是已知的;,

    2024年02月08日
    浏览(54)
  • 线性代数代码实现(七)求解线性方程组(C++)

    前言:         上次博客,我写了一篇关于定义矩阵除法并且代码的文章。矩阵除法或许用处不大,不过在那一篇文章中,我认为比较好的一点是告诉了大家一种计算方法,即:若矩阵  已知且可逆,矩阵  已知,并且  ,求解矩阵 B 。我认为这种初等行变换的方法还是挺

    2023年04月23日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包